子川投资笔记微信公众号：“新知”栏目，关注AI、脑与认知、哲学与艺术、前沿科技等领域，力图提供最新和最好的外刊文章中译版；“经典”栏目，持续更新“巴菲特致股东信”精译及评注系列；“维特根斯坦”哲学系列；“洞见”栏目：分享关于技术进步、AI哲学与伦理、投资哲学的深度思考。
译前注：
本文为Google 官方对其AI领域，在2024年取得进展的全面总结。包括发布为"智能代理"设计的Gemini 2.0。在生成式AI领域取得重大进展，发布了Imagen、Veo和MusicFX等更新。在机器人、硬件和计算领域取得进展，在量子计算和芯片设计方面实现突破。除此之外，还探索了AI在科学、生物学和数学领域的潜力，在蛋白质结构预测和几何学方面取得显著成果。通篇来看，Google AI的最大优势不在于单纯的技术突破，而在于其得天独厚的应用生态，和长期基础研究积累。Google坐拥全球最大的互联网应用矩阵。搜索引擎每天处理数十亿次查询，YouTube承载着海量视频内容，这些都是AI技术最理想的试验场。AI应用对于Google来说，绝不停留在概念演示阶段，而是实打实的持续解决现实问题。从概念验证到商业变现，路径十分顺滑。同时，Google凭借其海量数据资源和强大的商业化能力，也成为学术界最具吸引力的合作伙伴。顶尖科研机构能够获得难得的实验数据和应用场景，而Google则可以快速将研究成果转化为现实生产力，这种完整的"研究-应用-验证"闭环，形成独特的产学研生态优势。2024年的两个诺贝尔奖得主，主要工作都与Google AI有关，可见一斑。其中部分已发布亮点我们已在当时的新闻中见到，本次官方总结则更为系统化、结构化。近日关于DeepSeek刺穿AI泡沫的呼声很大，AI的下一步会走向哪里？在潮水涨落之际，我们不妨关注下，有哪些领域在日积跬步。原文链接：https://blog.google/technology/ai/2024-ai-extraordinary-progress-advancement/
原文作者：
- Demis Hassabis，CEO Google DeepMind；
- James Manyika，Senior Vice President, Research, Technology & Society
- Jeff Dean，Chief Scientist
发布日期：2025年1月23日
原文：
2024：AI领域的非凡进展之年
在迈入2025年之际，我们想回顾过去一年取得的惊人进展。从为智能代理时代打造的新Gemini模型和创意赋能，到设计新型高强度蛋白质结合物的AI系统，再到AI驱动的神经科学，甚至量子计算的里程碑式进展，我们一直在负责任地推进人工智能的前沿，以及它能造福人类的各种方式。正如我们和同事两年前在《为什么我们专注于AI》一文中所写：https://ai.google/advancing-ai/why-ai/"我们开发和利用AI潜力的方法植根于Google的创始使命——整理全球信息并使其普遍可及且有用——这一方法也体现了我们致力于改善尽可能多人生活的承诺。"在这篇2024年度报告中，我们回顾了Google各团队在AI领域取得的非凡进展，这些进展帮助实现了上述使命和承诺，也为2025年的更多进展奠定了基础。2024年是一个实验、快速迭代，并将最新技术交付给开发者的年份。2024年12月，我们发布了Gemini 2.0实验系列的首批模型——这些AI模型专为智能代理时代而设计。首先推出的是我们的主力模型Gemini 2.0 Flash，随后是来自智能代理研究前沿的几个原型，包括：探索通用AI助手能力的Project Astra更新版本、能在Chrome中执行操作的早期原型Project Mariner（作为实验性扩展），以及AI驱动的代码智能体Jules。我们期待将Gemini 2.0的强大功能带入搜索领域，我们已经开始在AI Overviews中进行测试，目前已有超过10亿用户使用它来提出新类型的问题。Gemini 2.0 is built for the agentic era, bringing enhanced performance, more multimodality and new native tool use.
我们还发布了Deep Research，这是Gemini Advanced的一项新智能代理功能，通过创建和执行多步计划来寻找复杂问题的答案，为用户节省数小时的研究时间。同时我们推出了Gemini 2.0 Flash Thinking Experimental，这是一个能明确展示其思考过程的实验性模型。
这些进展是在年初一系列快速发展的延续，包括将Gemini的功能整合到更多Google产品中，以及发布Gemini 1.5 Pro和Gemini 1.5 Flash——这是一个为速度和效率优化的模型。1.5 Flash凭借其精简的规模实现了更高的成本效益，并在2024年成为我们最受开发者欢迎的模型。我们还改进和更新了AI Studio，为开发者提供丰富的资源。它现在作为渐进式Web应用（PWA）提供，可以安装在桌面、iOS和Android设备上。值得注意的是，公众对NotebookLM的几项新功能反响热烈，比如Audio Overviews功能，它能将上传的源材料转化为两个AI主持人之间的"深度探讨"对话。更自然和直观的语音输入输出处理仍是我们多个产品的核心：Gemini Live、Project Astra、Journey Voices和YouTube的自动配音功能。延续我们向开源社区贡献创新的悠久传统——例如Transformers、TensorFlow、BERT、T5、JAX、AlphaFold和AlphaCode——我们发布了来自Gemma的两个新模型。Gemma是我们的最新开源模型，采用了与Gemini模型相同的研究和技术构建。在问答、推理、数学/科学和编程等能力方面，Gemma的表现超过了同等规模的开源模型。我们还发布了Gemma Scope，这个工具可以帮助研究人员理解Gemma 2的内部运作机制。我们还在持续提升模型的事实准确性并减少幻觉。例如，在12月，我们发布了FACTS Grounding，这是一个新的基准测试——由Google DeepMind、Google Research和Kaggle合作开发——用于评估大语言模型在多大程度上能够基于提供的源材料准确作答并避免产生幻觉。The FACTS Grounding dataset comprises 1,719 examples, each carefully crafted to require long-form responses grounded in the context document provided.我们使用FACTS Grounding测试了主流大语言模型，并在Kaggle上发布了FACTS排行榜。我们很自豪地宣布，Gemini 2.0 Flash Experimental、Gemini 1.5 Flash和Gemini 1.5 Pro目前获得了最高的三个事实准确性得分，其中gemini-2.0-flash-exp达到了83.6%。此外，我们通过开创性技术提升了底层机器学习效率，如分块并行解码、改进的基于置信度的延迟处理和推测性解码等。这些技术缩短了大语言模型的推理时间，使其能更快生成响应。这些改进已应用于Google的各个产品，并在整个行业树立了标准。在AI与体育的结合方面，我们在3月发布了TacticAI，这是一个足球战术AI系统，能为专家提供战术洞察，特别是在角球方面。所有模型和产品的基础都是我们对研究领先地位的持续承诺。根据世界知识产权组织(WIPO)2010-2023年生成式AI论文引用调查，Google（包括Google Research和Google DeepMind）的引用量超过了第二名机构的两倍多。This WIPO graph, based on January 2024 data from The Lens, illustrates more than a decade’s worth of Alphabet’s generative AI scientific publication efforts.最后，我们的Project Starline项目（一个能让朋友、家人和同事无论相距多远都感觉像在一起的"魔法窗口"技术）也取得了进展。我们与惠普合作开始商业化，目标是将其直接整合到Google Meet和Zoom等视频会议服务中。我们相信AI在开启新的创造形式、普及创意创作和帮助人们表达艺术愿景方面具有巨大潜力。因此，去年我们对生成式媒体工具进行了一系列更新，涵盖图像、音乐和视频领域。2024年初，我们推出了ImageFX，这是一个可以根据文本提示创建图像的新型生成式AI工具，以及MusicFX，一个可以根据文本提示创建最长70秒音频片段的工具。在I/O大会上，我们预览了MusicFX DJ，这个工具让更多人能体验现场音乐创作的乐趣。10月，我们与Jacob Collier合作简化了MusicFX DJ的使用方式，特别是针对新手和有抱负的音乐人。我们还更新了音乐AI工具包Music AI Sandbox，并改进了Dream Track实验项目，让美国创作者可以探索各种音乐风格，使用强大的文本转音乐模型生成配乐。MusicFX DJ generates brand new music by allowing players to mix musical concepts as text prompts.2024年后期，我们为图像和视频模型发布了前沿更新：Veo 2和Imagen 3。作为我们最高质量的文本生成图像模型，Imagen 3能够生成更加细致、光影更丰富且瑕疵更少的图像；而Veo则展现了对现实世界物理规律和人类动作表情的更好理解，同时保持了其对细节的精准把握和真实感。Veo represents a significant step forward in high-quality video generation.该领域的研究持续推进。我们探索了使用AI改进编辑的方法，例如通过AI来控制物体的透明度、粗糙度等物理属性。在这些使用合成数据生成的AI编辑示例中，输入展示的是模型从未见过的新图像。输出展示了模型成功编辑材质属性的结果。在音频生成领域，我们宣布了视频转音频(V2A)技术的改进，该技术可以根据屏幕上的动作，通过自然语言文本提示生成动态声景。这项技术可以与Veo创建的AI视频配合使用。游戏是探索新世界和训练评估具身智能体的理想环境。2024年，我们推出了Genie 2，这是一个基础世界模型，能够生成无限多样的、可操控的、可玩的3D环境，用于训练和评估具身智能体。这是继SIMA（一个可扩展的可指令多世界智能体，能够在各种游戏场景中遵循自然语言指令执行任务）之后的又一进展。随着我们的多模态模型变得更加强大并对世界及其物理规律有了更好的理解，它们正在推动机器人技术取得令人难以置信的新突破，让我们离打造更加强大和有用的机器人的目标更近了一步。通过ALOHA Unleashed，我们的机器人学会了系鞋带、挂衣服、修理其他机器人、安装齿轮，甚至打扫厨房。年初，我们推出了AutoRT、SARA-RT和RT-Trajectory，这些都是对我们Robotics Transformers工作的扩展，旨在帮助机器人更好地理解和导航环境，并更快做出决策。我们还发布了ALOHA Unleashed，这是一项教会机器人协调使用两个机械臂的突破性成果，以及DemoStart，它使用强化学习算法，通过模拟来提升多指机器人手在现实世界中的表现。Robotic Transformer 2 (RT-2)是一个新型视觉-语言-动作模型，它同时从网络和机器人数据中学习。在机器人技术之外，我们的AlphaChip强化学习方法正在改变数据中心、智能手机等设备中芯片的设计流程，它可以加速和改进芯片布局规划。为了加速这些技术的应用，我们发布了预训练检查点，使外部机构能够更容易地利用AlphaChip开源版本进行自己的芯片设计。我们还推出了Trillium，这是我们迄今为止第六代、性能最强的TPU，现已向Google Cloud客户开放。计算芯片推动了AI的发展，而现在，AI也在反哺芯片技术。AlphaChip能够学习互连芯片组件之间的关系，并在不同芯片间实现泛化，使AlphaChip能在设计每个新布局时不断改进。我们的研究还致力于纠正当今量子计算机中的物理硬件错误。11月，我们推出了AlphaQubit，这是一个能以最先进准确度识别量子计算错误的AI解码器。这项协作工作结合了Google DeepMind的机器学习知识和Google Research的错误纠正专长，加速了构建可靠量子计算机的进程。在测试中，它比张量网络方法减少了6%的错误，比相关匹配方法减少了30%的错误。12月，Google Research的量子AI团队宣布了我们最新的量子芯片Willow。它能在不到5分钟内完成一项基准计算，而这项计算在当今最快的超级计算机上需要10万亿亿年。Willow可以通过增加量子比特数量实现错误的指数级降低。事实上，它利用我们的量子错误纠正技术将错误率降低了一半，解决了该领域一个被称为"阈值以下"的30多年难题。这一重大突破获得了年度物理学突破奖。Willow在多个指标上都达到了最先进的性能水平。我们继续突破AI驱动科研的界限，今年发布了一系列工具和论文，展示了AI在推进科学和数学研究方面的强大作用。以下是一些亮点。1月，我们推出了AlphaGeometry，这是一个专门解决复杂几何问题的AI系统。我们更新的版本AlphaGeometry 2，以及基于强化学习的形式数学推理系统AlphaProof，在2024年7月的国际数学奥林匹克竞赛中达到了银牌得主的水平。AlphaGeometry 2在接收到形式化表述后的19秒内解决了2024年国际数学奥林匹克竞赛的第4题。该题要求证明角KIL和角XPY的和等于180度。我们与Isomorphic Labs合作推出了AlphaFold 3，这是我们最新的模型，可以预测所有生命分子的结构和相互作用。通过准确预测蛋白质、DNA、RNA、配体等的结构及其相互作用方式，我们希望这将改变我们对生物世界的理解并推动药物发现。AlphaFold 3的能力来自其下一代架构和训练，现在已经覆盖了所有生命分子。我们在蛋白质设计方面取得了几项关键进展。我们推出了AlphaProteo，这是一个用于设计新型高强度蛋白质结合剂的AI系统。AlphaProteo可以助力新药发现、生物传感器的开发，并提升我们对生物过程的理解。AlphaProteo能够为各种目标蛋白质生成新的蛋白质结合剂。我们与哈佛大学Lichtman实验室等机构合作，制作了一张前所未有精细的人脑区域纳米尺度地图，并向研究人员公开。这是我们在神经连接组学研究十年工作的延续，从早期的果蝇大脑和小鼠大脑连接组研究，发展到现在更大规模、更复杂的人类大脑连接组研究。在大脑皮层最深层，细胞簇倾向于以镜像方式排列，这一点在这个大脑绘图项目中得到了展示。11月下旬，作为扩大和深化科学与AI公共对话的广泛努力的一部分，我们与英国皇家学会共同主办了AI科学论坛，汇集了科学家、研究人员、政府领导人和企业高管，讨论了蛋白质结构预测挑战、人脑绘图以及通过精确预测和发现野火来挽救生命等关键议题。我们还主持了与四位出席论坛的诺贝尔奖获得者的问答环节，包括Paul Nurse爵士、Jennifer Doudna、Demis Hassabis和John Jumper，这些内容可以在Google DeepMind播客中收听。这一年还因另一个原因具有里程碑意义：Demis Hassabis和John Jumper与David Baker一起因在AlphaFold 2上的工作获得了2024年诺贝尔化学奖。正如诺贝尔委员会所认可的，他们的工作："开启了设计前所未有的蛋白质的全新可能性，现在我们可以获取所有2亿个已知蛋白质的预测结构。这些都是真正伟大的成就。"同样令人兴奋的是，长期供职于Google、最近退休的Geoffrey Hinton（与John Hopfield一起）获得了2024年诺贝尔物理学奖，以表彰他们"在机器学习与人工神经网络方面的开创性发现和发明"。继诺贝尔奖之后，Google还获得了其他认可，包括NeurIPS 2024测试论文奖（针对《使用神经网络进行序列到序列学习》和《生成对抗网络》），以及Beale-Orchard-Hays奖，该奖项授予了一个由教育工作者和Google专业人员组成的团队，表彰他们在原始-对偶线性规划(PDLP)方面的开创性工作。（PDLP现已成为Google OR Tools的一部分，可帮助解决从数据中心网络流量工程到集装箱运输优化等实际应用中的大规模线性规划问题。）今年，我们在产品开发方面取得了多项进展，并发表了研究成果，展示了AI如何直接、即时地造福人类，范围涵盖预防和诊断医疗、灾害应对和恢复以及学习等领域。在医疗保健领域，AI有望在关键领域普及优质医疗服务，如心血管疾病的早期检测。我们的研究表明，通过结合测量血流变化的简单指尖设备和基本元数据，可以预测心脏健康风险。我们在此前结核病AI辅助诊断研究的基础上，证明了AI模型可以在结核病和艾滋病高发人群中进行准确的结核病筛查。这对于降低结核病的流行率具有重要意义（每年超过1000万人患病），因为大约40%的结核病患者未能得到诊断。在MedQA（USMLE风格）基准测试中，Med-Gemini达到了新的最高水平，显著超过了我们之前的最佳成绩（Med-PaLM 2）4.6个百分点。我们的Gemini模型是专业人士的强大工具，但我们的团队也在努力为其他领域创建微调模型。例如，我们推出了Med-Gemini，这是一个新的下一代模型系列，它将去标识化医疗数据的训练与Gemini的推理、多模态和长文本处理能力相结合。在美国医师执照考试（USMLE）风格的MedQA问题基准测试中，Med-Gemini达到了91.1%的最高准确率，超过了我们之前Med-PaLM 2的最佳成绩4.6个百分点（如上图所示）。我们正在探索机器学习如何帮助那些缺乏影像诊断专业人才的医疗领域，如放射学、皮肤科和病理学。过去一年，我们发布了两个研究工具：Derm Foundation和Path Foundation，它们可以帮助开发用于诊断任务、图像索引和管理以及生物标志物发现和验证的模型。我们与斯坦福医学院的医生合作建立了开放访问的包容性皮肤病图像网络(SCIN)数据集。我们还推出了CT Foundation，这是一个用于快速训练研究模型的医学影像嵌入工具。在教育方面，我们探索了新的生成式AI工具来支持教育工作者和学习者。我们推出了LearnLM，这是我们专门为学习领域微调的新型模型系列，并将其用于改进搜索、YouTube和Gemini等产品中的学习体验；最新报告显示LearnLM的表现超过了其他领先的AI模型。我们还将其作为实验模型在AI Studio中向开发者开放。我们的新型对话式学习伴侣LearnAbout使用AI帮助你深入探索任何感兴趣的话题，而Illuminate则让你能够将内容转化为引人入胜的AI生成音频讨论。在灾害预测和防范领域，我们宣布了几项突破性进展。我们推出了GenCast，这是我们新的高分辨率AI集成模型，它改进了日常天气和极端天气事件的预测，可以预测所有可能的天气轨迹。我们还推出了NeuralGCM模型，它能在物理模型仅能模拟19天大气状况的时间内模拟超过70,000天的大气变化。而GraphCast则获得了2024年MacRobert工程创新奖。这张GraphCast的预测图展示了10天内700百帕（约3公里高空）的比湿、地表温度和地表风速的变化。我们还改进了洪水预报模型，将预报时间从5天提升到7天，并将河流洪水预报覆盖范围扩大到100个国家，惠及7亿人口。这标志着Google Research在2018年启动的多年计划取得了重要里程碑。我们的洪水预报模型现已在100多个国家（左图）可用，并且我们现在为150多个国家的专家和研究人员提供"虚拟测量站"，包括那些没有物理测量设备的国家。AI还可以帮助野火检测和缓解，这在经历了加州破坏性野火之后显得尤为重要。我们的野火边界地图功能现已在22个国家可用。Google Research还与主要野火管理机构合作创建了FireSat，这是一个卫星星座系统，能够在20分钟内检测和追踪小至教室大小（约5x5米）的野火。我们继续践行让更多信息更易获取的承诺，为Google Translate新增了110种语言，包括粤语、巴布亚新几内亚的托克皮辛语、西非的恩科语和马恩岛的马恩语。Google Translate现已支持超过240种语言，帮助人们突破信息、知识和机会的障碍。
Google Translate新增的这些语言覆盖了超过6.14亿使用者，为全球约8%的人口开启了翻译服务。我们在AI安全研究领域继续保持行业领先地位，开发新工具和技术，并将这些进展整合到我们最新的模型中。我们致力于与他人合作应对风险。我们继续研究AI滥用问题，一项研究发现最常见的两种滥用类型是深度伪造和越狱攻击。5月，我们推出了前沿安全框架（The Frontier Safety Framework），建立了识别最先进AI模型新兴能力的协议，并向公众发布了AI责任生命周期框架。10月，我们扩展了负责任生成式AI工具包，使其可以与任何大语言模型配合使用，为开发者提供更多负责任构建AI的工具。此外，我们今年还发表了一篇关于《高级AI助手伦理》的论文，研究和描绘了未来AI助手普及后的技术和道德格局，并分析了社会可能面临的机遇和风险。https://deepmind.google/discover/blog/the-ethics-of-advanced-ai-assistants/我们扩展了SynthID的功能，为Gemini应用程序和网页体验中的AI生成文本以及Veo中的视频添加水印。为了帮助提升整体在线透明度（不仅限于Google生成式AI工具创建的内容），我们还以指导委员会成员身份加入了内容来源和真实性联盟（C2PA），并合作开发了技术标准Content Credentials的新版本，提供更强的安全性。当有多个不同tokens可供选择时，SynthID可以调整每个预测token的概率分数，前提是这不会影响输出的质量、准确性和创造性。除了大语言模型，我们还分享了AlphaFold 3的生物安全方法。我们还与行业合作伙伴一起发起了安全AI联盟（Coalition for Secure AI，CoSAI），并参加了AI首尔峰会，以此推动建立国际共识，形成统一协调的治理方法。随着我们开发AI代理等新技术，我们将继续面临安全、安保和隐私方面的新问题。在AI原则的指导下，我们正在采取深思熟虑的探索性和渐进式开发方法，对多个原型进行研究，迭代实施安全训练，与可信测试者和外部专家合作，并进行广泛的风险评估以及安全和保障评估。2024年是一个富有成效的年份，在AI产品和研究方面都取得了突破性进展。我们取得了巨大进步，对未来一年更是充满期待。随着我们在产品、科学、健康、创造力等领域继续产出突破性的AI研究，深入思考如何以及何时部署这些技术变得越来越重要。通过继续优先考虑负责任的AI实践并促进合作，我们将在构建AI造福人类的未来中发挥重要作用。
～完～
感谢阅读，麻烦点个👍和❤️，谢谢！
